CLADSI:使用加速仪数据识别阿尔茨海默病阶段的深度持续学习.
IEEE journal of biomedical and health informatics
|April 22, 2024
概括
这项研究引入了卷积神经网络 (CNN) 的持续学习,以使用运动传感器数据监测阿尔茨海默病 (AD) 的进展. 这种方法使自我配置的人工智能能够持续监测患者,而不需要先前的数据.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 阿尔茨海默病 (AD) 是一种神经退行性疾病,影响身体和认知功能.
- 步态障碍是阿尔茨海默病的一个公认症状.
- 之前的研究利用卷积神经网络 (CNN) 与运动传感器数据进行AD分析.
研究的目的:
- 开发一种方法,使CNN能够从连续运动传感器数据流中学习AD分期.
- 实施持续学习算法,用于在没有完全访问历史数据的情况下自配置CNN.
主要方法:
- 为CNN分析运动传感器数据提出了一种持续学习方法.
- 在一周内对35名阿尔茨海默病患者的加速计数据进行了实验.
- 在多个学习经验中评估CNN的表现.
主要成果:
- 在识别AD阶段时,CNN取得了很高的准确性:86.94% (2次体验),86.48% (3次体验) 和84.37% (4次体验).
- 证明了持续学习在适应新数据方面的有效性.
- 展示了CNN在没有人类干预的情况下自我配置的能力.
结论:
- 持续学习为AD监测中自我配置CNN提供了一个有希望的方法.
- 这种方法促进了在医疗应用中持续监测患者的深度学习解决方案.
- 拟议的系统增强了人工智能模型在动态医疗保健环境中的适应性.
